QuadPiPS: A Perception-informed Footstep Planner for Quadrupeds With Semantic Affordance Prediction
Georgia Institute of Technology（佐治亚理工学院）
QuadPiPS通过结合几何与语义编码的腿足自体环境表示，实现四足机器人的感知引导步态规划，提升在有限 foothold 情况下的安全性和地形适应能力。
2026-05-01 cs.RO
Agile and Safe Trajectory Planning for Quadruped Navigation with Motion Anisotropy Awareness
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, China（华中科技大学人工智能与自动化学院）
本文提出了一种考虑四足机器人运动各向异性的导航框架，通过轨迹生成与优化提升导航效率和安全性。
2024-03-15 cs.RO
Receding-Horizon Perceptive Trajectory Optimization for Dynamic Legged Locomotion with Learned Initialization
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
为了动态地穿越具有挑战性的地形，足式机器人需要不断地感知和推理即将到来的特征，调整未来脚步的位置和时间，并战略性地利用动量。我们提出了一个流水线，使灵活的参数化轨迹感知和动态四足动物的运动进行优化，在一个在线的，滚动的方式。传递给优化器的初始猜测会影响实现收敛所需的计算和解决方案的质量。我们考虑两种方法产生良好的猜测。第一种是启发式初始化器，它提供了一个简单的猜测，需要显着的优化，但仍然适合于适应即将到来的地形。我们演示了使用ANYmal C四足动物的实验，完全板载传感和计算，以中等速度使用这种技术跨越障碍。我们的第二种方法使用潜伏模式轨迹回归（LMTR）来模仿专家数据-同时避免不同行为之间的无效插值-这样就需要最小的优化。这使得高速运动能够更广泛地利用机器人的能力。我们在平地上用真正的机器人演示了它，并提供了在地形上部署的数值试验。这些结果说明了一个范例，推进超越短期的动态反应，对动物和人类表现出的直觉和自适应运动规划的类型。
2021-04-19 cs.RO
Design, Manufacturing, and Controls of a Prismatic Quadruped Robot: PRISMA
Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校）
大多数的四足发展是高度致动，因此，他们的控制是相当繁琐。它们需要先进的电子设备来连续求解复杂的逆运动学方程。此外，它们需要特殊且昂贵的传感器来自主地在环境中导航，因为传统的距离传感器通常会因为机器人运动引起的连续扰动而失效。另一个挑战是在行走时保持机器人的连续动态稳定性，这需要复杂和最先进的控制算法。本文全面描述了我们的内部棱镜关节四足机器人PRISMA的硬件设计和控制架构。我们的目标是打造一个强大的和运动学稳定的四足机器人，可以使用基本的控制算法，并利用传统的传感器来导航未知的环境。我们讨论了机器人在其运动，不同的脚轨迹，可制造性和控制方面的优点和局限性。
2021-12-27 cs.RO
Modeling and Trajectory Optimization for Standing Long Jumping of a Quadruped with A Preloaded Elastic Prismatic Spine
University of California, Riverside（加州大学河滨分校）
本文提出了一种新的方法来建模和优化的四足机器人与脊柱顺应性，以提高站立跳跃性能相比，四足动物与刚性脊柱的轨迹。我们引入了一个弹性模型的棱柱形机器人脊柱，主动预加载和机械锁定启用在初始和最大长度，并开发了一个约束轨迹优化方法，以共同优化的弹性参数和运动轨迹，以提高跳跃距离。结果表明，一个不太僵硬的弹簧可能会促进跳跃性能，而不是作为一个直接的推进源，但作为一种手段，释放更多的电机功率，通过权衡整体能源效率推进。我们还可视化弹簧系数的整体优化程序的影响，从精力充沛的角度来确定合适的参数区域。
2021-09-01 cs.RO cs.SY eess.SY
Robust Nonprehensile Object Transport with Quadruped Robots
Technical University of Munich (TUM)（慕尼黑工业大学）；Tampere University（坦佩雷大学）；University of Naples Federico II（那不勒斯费德里科二世大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出一种不确定性感知的轨迹优化与耦合MPC框架，用于四足机器人非抓取运输，显著减少物体滑动并降低质心跟踪误差。
2026-10-07 cs.RO
MLM: Learning Multi-task Loco-Manipulation Whole-Body Control for Quadruped Robot with Arm
School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院）；Shanghai AI Laboratory（上海人工智能实验室）；Lenovo Corporation（联想公司）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI））
针对带机械臂四足机器人多任务全身移动-操作的挑战，提出MLM强化学习框架，结合真实与仿真数据，引入带自适应课程采样的轨迹库及轨迹-速度预测网络，实现多任务自主/遥操作，可零样本迁移且性能经仿真与真实实验验证。
2025-11-12 cs.RO
Optimal Control for Quadruped Locomotion using LTV MPC
Clemson University（克莱姆森大学）
本文提出基于单刚体模型和线性化方案的线性时变模型预测控制器，用于四足机器人运动控制，可执行多种步态并在未知扰动下跟踪参考轨迹，最高速度达1 m/s。
2023-10-16 cs.RO
Highly Dynamic Quadruped Locomotion via Whole-Body Impulse Control and Model Predictive Control
Massachusetts Institute of Technology（麻省理工学院）
动态腿部运动是一个具有挑战性的课题，因为缺乏既定的控制方案，可以处理空中阶段，短的站立时间，和高速腿摆动。在本文中，我们提出了一种结合全身控制（WBC）和模型预测控制（MPC）的控制器。在我们的框架中，MPC用一个简单的模型在较长的时间范围内找到一个最佳的反作用力曲线，WBC根据MPC计算的反作用力计算关节扭矩、位置和速度命令。与现有的WBC不同，它试图跟踪命令的身体轨迹，我们的控制器更侧重于反作用力命令，这使得它能够完成高速动态运动与空中阶段。新设计的WBC与MPC集成，并在Mini-Cheetah四足机器人上进行测试。为了证明鲁棒性和通用性，控制器在许多不同的环境中进行了六种不同的步态测试，包括户外和跑步机，最高速度达到3.7 m/s。
2019-09-14 cs.RO
RoLoMa: Robust Loco-Manipulation for Quadruped Robots with Arms
Ocado Technology（奥凯多科技）；Touchlab Limited（触控实验室有限公司）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文提出基于第一性原理的鲁棒性度量，并将其融入轨迹优化框架，使带臂四足机器人在完成移动操作任务时可抵御任意方向的更强外力。
2023-10-02 cs.RO
Analytic Model for Quadruped Locomotion Task-Space Planning
University of Edinburgh（爱丁堡大学）
尽管动物中广泛存在腿运动，但用机器人复制它是极具挑战性的。腿部运动是一项动态任务，它得益于利用系统重力的规划。然而，这种优化的计算成本随着运动结构的复杂性而迅速增加，使得不可能在非结构化环境中进行实时部署。提出了一种简化的四足机器人质心和脚轨迹生成方法。该模型将四足动物描述为通过其质心连接的两个两足动物，并且它是基于代数两足动物模型的扩展，该模型使用重力吸引子的拓扑来描述两足动物运动策略。结果表明，该模型生成的轨迹与以前的研究一致。该模型将部署在未来的种子解决方案，全身轨迹优化，试图减少计算成本，并获得在具有挑战性的环境中的复杂动作的实时规划。
2019-04-23 cs.RO
Proprioceptive State Estimation for Quadruped Robots using Invariant Kalman Filtering and Scale-Variant Robust Cost Functions
Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；University of Genoa（热那亚大学）
针对崎岖湿滑地形下足式机器人状态估计难的问题，提出结合鲁棒代价函数、仅用本体感知传感器的新型不变扩展卡尔曼滤波器，在450米以上轨迹中位姿漂移较现有最优方法最多降低40%。
2024-10-07 cs.RO
Trajectory Optimization Through Contacts and Automatic Gait Discovery for Quadrupeds
ETH Zürich（苏黎世联邦理工学院）
在这项工作中，我们提出了一个轨迹优化框架，通过接触全身运动规划。我们演示了如何所提出的方法可以应用于自动发现不同的步态和动态运动的四足机器人。与大多数以前的方法相比，我们没有预先指定接触开关，计时，点或步态模式，但它们是优化的直接结果。此外，我们优化了机器人的整个动力学，这使得优化器能够充分利用机器人的能力。为了说明可实现运动的范围，在这里我们展示了八种不同的任务，当使用最先进的方法解决时，这些任务需要非常不同的控制结构。使用我们的轨迹优化方法，我们用一个简单的、高水平的成本函数来解决每个任务，而不需要对控制结构进行任何改变。此外，我们将我们的方法与机器人的控制和估计框架完全集成，以便可以在线运行优化。通过演示一个粗糙的操作任务与多个动态接触开关，我们举例说明如何优化的轨迹和控制输入可以直接应用到硬件。
2016-07-15 cs.RO
Multi-Rate Nonlinear Model Predictive Control for Wall-Supported Bipedal Locomotion of Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
提出基于多速率非线性模型预测控制的分层框架，实现四足机器人在受限环境中借助墙壁进行混合双足运动，通过接触点与质心轨迹联合优化提升动态稳定性，仿真验证成功率比传统方法高2.9倍。
2026-07-03 cs.RO math.OC
Evolutionary-Based Online Motion Planning Framework for Quadruped Robot Jumping
The Chinese University of Hong Kong（香港中文大学）；Hong Kong Centre for Logistics Robotics（香港物流机器人中心）
本文提出基于差分进化、拉丁超立方采样和配置空间（DLC）的四足机器人跳跃在线运动规划框架，通过引入质心动力学优化、缩小搜索区域及热启动策略大幅降低求解时间，并在真实机器人上验证了多种跳跃动作的有效性。
2023-09-14 cs.RO
Multi-Objective Global Path Planning for Lunar Exploration With a Quadruped Robot
ETH Zurich（苏黎世联邦理工学院）
针对非结构化月球探测环境的多目标路径规划需求，提出基于A*算法、可调整目标权重的全局规划器及配套统计分析工具，在阿里斯塔克斯高原测试中效果优于人工规划路径且已开源。
2024-06-24 cs.RO
Robust Quadrupedal Locomotion on Sloped Terrains: A Linear Policy Approach
Robert Bosch Centre for Cyber Physical Systems（罗伯特·博世网络物理系统中心）；Indian Institute of Science（印度科学学院）
在本文中，鉴于在低成本的硬件快速部署的运动步态，我们使用线性的政策，实现四足机器人，Stoch $2$的末端脚轨迹。特别地，末端脚轨迹的参数经由线性反馈策略成形，该线性反馈策略将躯干取向和地形坡度作为输入。通过逆运动学求解器获得相应的期望关节角度，并通过PID控制律进行跟踪。采用无模型无梯度的增广随机搜索学习算法对线性策略进行训练。仿真结果表明，所产生的步行是鲁棒的地形坡度变化和外部推动。这种方法不仅计算重量轻，而且使用最小的传感和驱动能力的机器人，从而证明了这种方法。
2020-11-10 cs.AI cs.LG cs.RO
Real-Time Walking Pattern Generation of Quadrupedal Dynamic-Surface Locomotion based on a Linear Time-Varying Pendulum Model
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；NVIDIA Research（英伟达研究院）；Princeton University（普林斯顿大学）；Purdue University（普渡大学）
本文提出了一种易于分析和计算效率高的足式机器人在动态刚性表面（DRS）上运动的动力学模型，并基于该模型及其解析解开发了一个实时的【形】运动规划器。本研究首先从理论上扩展了经典的线性倒立摆（LIP）模型从腿运动在静态表面上的DRS运动，放松LIP的基本假设，表面是静态的。由此产生的模型，我们称之为“DRS-LIP”，是显式时变的。在将DRS-LIP转换为Mathieu方程之后，获得了DRS-LIP的近似解析解，该近似解析解具有合理的精度和较低的计算成本。此外，为了说明分析结果的实际用途，它们被用来开发一个分层的运动规划器，有效地生成物理上可行的DRS运动轨迹。最后，所提出的理论结果和运动规划的有效性证明了通过PyBullet模拟和实验上的Laikago四足机器人，走在摇摆跑步机。模拟和硬件实验的视频可在https://youtu.be/u2Q_u2pR99c上获得。
2023-01-08 cs.RO
Dynamic Modeling and MPC for Locomotion of Tendon-Driven Soft Quadruped
Department of Electrical Engineering, IIT Gandhinagar（电子工程系，印度加尔各直辖区理工学院）；Department of Electronics and Computer Engineering, Sreenidhi Institute of Science and Technology（电子与计算机工程系，斯里尼迪学院科学与技术研究所）；Department of Mechanical Engineering, IIT Gandhinagar（机械工程系，印度加尔各直辖区理工学院）
SLOT机器人通过物理信息建模和MPC控制实现柔顺腿部运动学的高效控制与高精度轨迹跟踪。
2026-02-18 cs.RO
Optimizing Dynamic Trajectories for Robustness to Disturbances Using Polytopic Projections
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
本文主要研究对干扰力和不确定载荷的鲁棒性。我们提出了一种新的配方，以优化动态轨迹的鲁棒性。一个简单的转录这个配方成一个非线性规划问题是不听话的国家的最先进的求解器，但它是可能的，以克服这种复杂性，通过利用由机器人的运动学引起的结构。提出的非平凡转录允许轨迹优化框架收敛到高度鲁棒的动态解。我们证明了我们的方法使用四足机器人配备了机械手的结果。
2020-08-03 cs.RO
TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation
Purdue University（普渡大学）；University of Florida（佛罗里达大学）
研究动态移动操纵中触觉传感在全身控制的作用，提出 TAC-LOCO 框架，编码触觉观测与本体感觉统一控制肢体，经奖励设计使策略能应对多种情况，部署后实现降力及低掉落率。
2026-07-17 cs.RO
CacheMPC: Certified Cached Model Predictive Control for Quadruped Locomotion
Department of Aerospace Engineering, Indian Institute of Technology Kanpur（印度理工学院坎浦尔航空航天工程系）；ADASI, EDGE Group（ADASI企业集团）
提出Certified CacheMPC框架，通过局部敏感哈希缓存接触力轨迹，结合后验认证和预算调度器，在Unitree Go2上实现25倍仿真和18.7倍硬件加速，同时保持闭环稳定性。
2026-06-29 cs.RO
First Steps Towards Full Model Based Motion Planning and Control of Quadrupeds: A Hybrid Zero Dynamics Approach
California Institute of Technology（加州理工学院）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
混合零动力学（HZD）方法已成为双足机器人步态规划和控制的有力工具。本文旨在扩展HZD方法，以解决四足机器人的行走，漫步和小跑行为。我们提出了一个框架，系统地产生了广泛的最佳轨迹，然后证明稳定他们的全阶，非线性和混合动力模型的四足运动。步态规划是通过一个可扩展的非线性规划，使用直接配置和HZD。然后通过Poincaré截面分析实现指数稳定的控制器综合。特别是，我们采用迭代优化算法，涉及线性和双线性矩阵不等式（LMI和BMI）设计基于HZD的控制器，保证指数稳定的不动点的庞加莱返回映射。通过步态生成和基于HZD的控制器合成的一个先进的四足机器人，-视觉60，36个状态变量和12个控制输入的框架的权力被证明。数值模拟和真实世界的实验证实了所提出的框架的有效性。
2019-09-17 cs.RO cs.SY eess.SY
Layered Control for Cooperative Locomotion of Two Quadrupedal Robots: Centralized and Distributed Approaches
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对两个完整约束四足机器人的鲁棒协作运动，提出了一种实时轨迹规划和控制的分层控制方法。提出了一种基于单刚体动力学的新型互联网络降阶模型，用于轨迹规划。在更高层次的控制架构，两个不同的模型预测控制（MPC）算法，提出了解决最优控制问题的互联SRB动态：集中式和分布式MPC。分布式MPC假设两个局部二次规划，根据一步通信延迟和协议共享其最优解。在较低层次的控制方案，分布式非线性控制器的开发，施加全阶动态跟踪规定的降低了由MPC产生的轨迹。控制方法的有效性进行了验证与广泛的数值模拟和实验的鲁棒性和合作运动的两个holonomically约束A1机器人与不同的有效载荷在可变的地形和干扰的存在下。结果表明，分布式MPC具有类似的集中式MPC的性能，而计算时间显着减少。
2022-11-13 cs.RO math.OC
Learning-based Initialization of Trajectory Optimization for Path-following Problems of Redundant Manipulators
School of Computing, Korea Advanced Institute of Science and Technology（计算机学院，韩国科学技术院）
本文提出了一种基于学习的初始轨迹生成方法，通过示例引导强化学习快速生成高质量初始轨迹，提升冗余机械臂轨迹优化的性能。
2026-02-09 cs.RO
OPT-Mimic: Imitation of Optimized Trajectories for Dynamic Quadruped Behaviors
The University of British Columbia（不列颠哥伦比亚大学）；Stanford University（斯坦福大学）
强化学习（RL）在四足机器人控制中取得了许多成功。参考运动的模仿提供了一个简单而强大的先验，用于引导解决方案朝向期望的解决方案，而不需要细致的奖励设计。虽然许多工作使用运动捕捉数据或手工制作的轨迹作为参考运动，但相对较少的工作探索了来自基于模型的轨迹优化的参考运动的使用。在这项工作中，我们调查了几个设计考虑，出现这样一个框架，通过四个动态的行为：小跑，前跳，180后空翻，和跨足。这些都是在模拟训练，并转移到物理Solo 8四足机器人没有进一步的适应。特别是，我们探索了轨迹优化器提供的前馈设计空间，以了解其对RL学习效率和仿真到现实迁移的影响。这些研究结果有助于生产机器人控制器的长期目标，结合了基于模型的优化的可解释性和精度与鲁棒性，无模型RL为基础的控制器提供。
2023-03-23 cs.RO
A Nonlinear MPC Framework for Loco-Manipulation of Quadrupedal Robots with Non-Negligible Manipulator Dynamics
Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工大学机械工程系）；California Institute of Technology（加州理工学院）；School of Neuroscience, Virginia Tech（弗吉尼亚理工大学神经科学学院）
针对四足机器人运动操作中机械臂动力学不可忽略的高自由度控制难题，提出耦合运动模板与机械臂全阶模型的分层NMPC框架，实现60Hz实时求解，经实验验证在多种场景下具备鲁棒稳定性。
2025-07-29 cs.RO math.OC
BiConMP: A Nonlinear Model Predictive Control Framework for Whole Body Motion Planning
Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
足式机器人的全身运动规划是具有挑战性的，由于在机器人动力学固有的非线性。在这项工作中，我们提出了一个非线性MPC框架，BiConMP，它可以有效地利用机器人动力学的结构在线生成全身轨迹。BiConMP用于在真实的四足机器人上生成各种循环步态，并在不同地形上评估其性能，对抗不可预见的推动并在不同步态之间在线过渡。此外，能力的BiConMP产生非平凡的非循环的全身动态运动的机器人。同样的方法也被用来产生各种动态运动的MPC上的人形机器人（Talos）和另一个四足机器人（AnYmal）的仿真。最后，一个广泛的实证分析的影响，规划水平和频率的非线性MPC框架的报告和讨论。
2022-09-15 cs.RO
Nonlinear Stochastic Trajectory Optimization for Centroidal Momentum Motion Generation of Legged Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；LAAS-CNRS（LAAS-法国国家科学研究中心）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；University of Trento（特伦托大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）
足式机器人的鲁棒轨迹的生成仍然是一个具有挑战性的任务，由于潜在的非线性，混合和本质上不稳定的动态，需要通过有限的接触力来稳定。此外，由与环境的未建模接触交互和模型失配引起的干扰可能会阻碍规划轨迹的质量，从而导致不安全的运动。在这项工作中，我们建议使用随机轨迹优化产生强大的质心动量轨迹，以考虑模型动力学和接触位置上的参数不确定性的添加剂的不确定性。通过鲁棒质心和全身轨迹优化之间的交替，我们生成鲁棒的动量轨迹，同时与全身动力学一致。我们进行了广泛的一组模拟不同的不确定性四足机器人显示，我们的随机轨迹优化问题减少了不同的步态，同时实现更好的性能确定性规划的脚滑移量。
2022-09-20 cs.RO
Efficient Trajectory Optimization for Autonomous Racing via Formula-1 Data-Driven Initialization
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；German Federal Ministry of Research, Technology and Space（德国联邦研究、科技与航天部）
本文利用F1 telemetry数据构建多赛道轨迹集，提出基于学习的初始化策略，通过局部赛道几何预测专家级赛车线，加速最优控制求解器收敛并减少运行时间。
2026-05-16 cs.RO
Dynamic Legged Manipulation of a Ball Through Multi-Contact Optimization
University of California, Berkeley（加州大学伯克利分校）
机器人的脚通常用于设计运动策略，例如平衡，行走和跑步。然而，它们也具有执行操纵任务的巨大潜力。在本文中，我们提出了一个模型预测控制（MPC）框架的四足机器人动态平衡球，同时操纵它遵循各种轨迹，如直线，正弦曲线，圆和原地转弯。我们数值验证我们的控制器上的迷你猎豹机器人使用不同的步态，包括小跑，弹跳，和pronking球。
2020-12-21 cs.RO
MimicAgent: Quadruped Skills via Prompt-to-Trajectory Generation
Carnegie Mellon University（卡内基梅隆大学）
MimicAgent通过提示到轨迹生成框架，利用编码智能体生成四足参考轨迹，训练示例引导的强化学习策略，实现动态四足技能，87%提示生成语义对齐轨迹。
2026-09-22 cs.RO
Like Playing a Video Game: Spatial-Temporal Optimization of Foot Trajectories for Controlled Football Kicking in Bipedal Robots
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, The University of Hong Kong（适应性机器人控制实验室（ArcLab）、机械工程系、香港大学）
针对类人机器人踢球时稳定性与球轨迹控制难的问题，将无人机时空轨迹规划法适配到双足机器人，自主生成满足多约束的足部轨迹并优化摆腿时长，实现了毫秒级规划与近100%的踢球任务准确率。
2025-10-02 cs.RO
From LLM-Generated Specifications to Learned Quadruped Locomotion
University of Southern California（南加州大学）；University of Florida（佛罗里达大学）
本研究利用LLM生成PSTL规范，转化为奖励函数训练四足运动策略，在MJX中验证，步态感知Qwen 3.6规范在高速下优于Text2Reward。
2026-09-09 cs.AI cs.RO
Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots
Department of Mechanical Engineering, Virginia Tech（机械工程系，弗吉尼亚理工学院）
本文提出一种基于间接自适应律的预测控制框架，用于四足机器人在复杂地形中稳健运输未知负载。
2026-03-09 cs.RO cs.SY eess.SY
Gait Library Synthesis for Quadruped Robots via Augmented Random Search
Indian Institute of Technology-Madras（印度理工学院马德拉斯分校）；Indian Institute of Science（印度科学学院）
在本文中，鉴于对快速部署的学习运动步态在低成本的硬件，我们生成一个库的步行轨迹，即向前小跑，向后小跑，侧步，并把我们定制的四足机器人，Stoch 2，使用强化学习。存在为每个时间步确定最优策略的现有方法，而我们以末端脚轨迹的形式为每个半步步行确定最优策略，即，摆动阶段和站立阶段。脚轨迹的路径点从线性策略获得，即，机器人状态的线性函数，三次样条用于在这些点之间插值。仿真中采用了一种无模型、无梯度的学习算法--增强随机搜索算法来学习策略。然后将学习到的策略部署在硬件上，每走半步就产生一个轨迹。通过在不同腿的轨迹之间强制执行预先配置的相移，在模拟中学习不同的运动模式。从一个步态到另一个的过渡是通过使用低通滤波器的相位，和仿真到现实迁移是通过回归获得的状态的线性变换改善。
2019-12-30 cs.RO
Guided Policy Search using Sequential Convex Programming for Initialization of Trajectory Optimization Algorithms
University of Washington（华盛顿大学）
本文针对轨迹优化对初始猜测敏感的问题，提出一种结合序贯凸规划轨迹更新与随机梯度下降策略更新的引导策略搜索方法，用于生成高质量初始轨迹，并在可重复使用火箭6自由度动力下降制导问题上验证了有效性。
2022-05-19 cs.RO math.OC
Bilevel Optimization for Planning through Contact: A Semidirect Method
Stanford University（斯坦福大学）
许多机器人应用，从物体操纵到运动，需要能够处理接触动态的规划方法。轨迹优化已被证明是一种可行的方法，可以支持接触动力学。然而，目前最先进的方法仍然很慢，并且通常难以收敛。在这项工作中，我们利用最新的进展，双层优化设计的算法能够有效地生成轨迹，涉及制作和断开接触。我们证明了我们的方法的效率优于替代国家的最先进的方法在两个基准问题。此外，我们证明了该方法的能力，设计一个简单的周期性步态的四足动物与15个自由度和4个接触点。
2019-09-06 cs.RO
Foothold Evaluation Criterion for Dynamic Transition Feasibility for Quadruped Robots
Istituto Italiano di Tecnologia（意大利技术研究院）；Politecnico di Torino（都灵理工大学）；University of Verona（维罗纳大学）
为了可靠地穿越复杂场景，足式机器人需要在地面反作用力的帮助下移动其基座，地面反作用力只能由与地面瞬间接触的腿产生。正确选择立足点对保持平衡至关重要。在本文中，我们提出了一个立足点的评估标准，认为过渡的可行性，线性和角动力学，以克服复杂的情况。我们设计的凸和非线性配方作为一个直接扩展的连续凸分辨率的质心动态轨迹（C-CROC）在一个滚动的地平线时尚授予动态可行性为未来的行为。该标准集成了基于视觉的立足点适应（VFA）的战略，考虑到机器人运动学，腿碰撞和地形形态。我们验证的有效性所选择的立足点和生成的轨迹在仿真和实验中与90公斤的四足机器人HyQ。
2022-03-08 cs.RO
Real-Time Motion Planning of Legged Robots: A Model Predictive Control Approach
Agile & Dexterous Robotics Lab, ETH Zürich（苏黎世联邦理工学院敏捷与灵巧机器人实验室）
针对足式机器人的运动规划问题，提出了一种实时的【形】、有约束、非线性的模型预测控制。所提出的方法使用一个约束最优控制算法称为SLQ。我们通过引入一个多处理方案来估计价值函数，从而提高了该算法的效率。这道次通常被计算为一个单一的过程。这种并行SLQ算法可以优化更长的时间范围，而不会成比例地增加其计算时间。因此，我们的MPC算法可以在几毫秒内为接下来的几个运动阶段生成优化的轨迹。这比现有技术至少好一个数量级。该方法的性能验证四足机器人产生动态步态，如小跑。
2017-10-11 cs.RO
Learning-based Initialization Strategy for Safety of Multi-Vehicle Systems
University of California, Berkeley（加州大学伯克利分校）；Facebook AI Research（脸书人工智能研究院）
由于近年来将自动驾驶汽车引入现实世界的兴趣飙升，多车辆碰撞避免是一个非常关键的问题。这些车辆在完成其目标时的安全至关重要。Hamilton Jacobi（HJ）可达性是保证低维系统安全性的一个很有前途的工具。然而，由于其计算时间的指数复杂性，没有基于可达性的方法已经能够在非结构化场景中成功地保证三辆以上车辆的安全性。对于四辆或更多车辆的系统，我们只能凭经验验证其安全性能。虽然基于可达性的安全方法具有灵活的最小限制控制策略，但在线推理长期轨迹是具有挑战性的，因为任何给定状态下的安全性都是通过在预先计算的表中查找其安全值来确定的，而该表不具有连续函数所具有的有利特性。这激发了当给定任何最小限制的安全感知碰撞避免算法不能保证安全时同时避免在线轨迹优化的非结构化多车辆系统的安全性能的提高的问题。在本文中，我们提出了一种新的方法，使用监督学习，以提高车辆的安全性，提出了新的初始状态在非常接近的邻域的原始初始状态的车辆。我们的实验证明了我们提出的方法的有效性，并表明车辆能够达到他们的目标，更好的安全性能与我们的方法相比，在广泛的情况下的基线方法。
2021-09-24 cs.RO
Information-Theoretic Based Target Search with Multiple Agents
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出了一种异构机器人团队在现实环境中进行目标搜索的在线路径规划和运动生成算法。每个机器人的路径选择使用信息理论公式进行优化，并依次计算每个代理。首先，我们生成候选轨迹采样来自垂直细胞分解和局部前沿点的全球航点。从这个集合中，我们选择具有最大信息增益的路径。我们证明了该算法提供的层次顺序决策结构是可扩展的多个代理在模拟设置。我们还验证了我们的框架在现实世界中的公寓设置使用两个机器人团队组成的Unitree A1四足和丰田HSR移动机械手寻找一个人。代理商利用一个有效的领导者-追随者通信结构，只有关键信息共享。
2021-07-27 cs.RO
ADMM-based Continuous Trajectory Optimization in Graphs of Convex Sets
本文提出基于ADMM的连续轨迹优化方法，通过多项式参数化和时空分配图实现对非凸环境中的最优轨迹求解，具有更广的搜索空间和鲁棒的收敛性。
2026-09-30 cs.RO
Adaptive Legged Locomotion via Online Learning for Model Predictive Control
Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）；Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
该研究提出了一种通过在线学习和模型预测控制实现自适应四肢运动的算法，能够处理未知负载和不规则地形下的复杂任务。
2025-11-30 cs.RO cs.SY eess.SY
Flow-Opt: Scalable Centralized Multi-Robot Trajectory Optimization with Flow Matching and Differentiable Optimization
University of Tartu（塔尔图大学）
本文提出Flow-Opt，通过生成模型与可微优化提升集中式多机器人轨迹优化的计算效率，实现快速生成数十机器人在复杂环境中的平滑轨迹，并支持批量处理与多样化路径生成。
2026-07-01 cs.LG cs.RO
An Efficient Paradigm for Feasibility Guarantees in Legged Locomotion
Istituto Italiano di Tecnologia（意大利理工学院）；University of Oxford（牛津大学）
本文提出一种高效范式，通过改进可行区域同时保证动态平衡、关节力矩与运动学限制，并利用质心可达区域算法和规划策略生成可行轨迹，在HyQ和Aliengo机器人上验证了有效性。
2023-05-30 cs.AI cs.RO
A Feasibility-Driven Approach to Control-Limited DDP
Heriot-Watt University（赫瑞-瓦特大学）；University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）
微分动态规划（DDP）是一种求解轨迹优化的直接单发法。它的效率来自开发的时间结构（固有的最优控制问题）和显式推出/集成的系统动态。然而，它遭受的数值不稳定性，当与直接多重射击方法相比，它具有有限的初始化选项（允许初始化的控制，但不是状态），并缺乏适当的控制约束处理。在这项工作中，我们用可行性驱动的方法来解决这些问题，该方法在数值优化过程中调节动态可行性并确保控制极限。我们的可行性搜索模拟的直接多射击问题的数值分辨率，只有动力学约束。我们表明，我们的方法（名为BOX-FDDP）具有更好的数值收敛比BOX-DDP+（一个单一的拍摄方法），其收敛速度和运行时性能具有竞争力的国家的最先进的直接转录配方解决使用内点和活动集算法在KNITRO。我们进一步表明，BOX-FDDP单调减少动态可行性误差-在国家的最先进的非线性规划算法。我们证明了我们的方法产生复杂的运动和四足和人形机器人的运动的好处。最后，我们强调BOX-FDDP是适合足式机器人的模型预测控制。
2022-08-15 cs.AI cs.RO cs.SY
KiRAS: Keyframe Guided Self-Imitation for Robust and Adaptive Skill Learning in Quadruped Robots
College of Intelligent Robotics and Advanced Manufacturing, Fudan University, China（复旦大学智能机器人与先进制造学院）
KiRAS通过关键帧引导的自我模仿学习，在复杂地形上实现多样技能的获取与过渡，无需专家数据集，提升机器人在无结构环境中的鲁棒性和适应性。
2026-03-16 cs.RO
Learning Stable Manoeuvres in Quadruped Robots from Expert Demonstrations
Indian Institute of Technology-Madras（印度理工学院马德拉斯分校）；Indian Institute of Science（印度科学理工学院）
随着对四足机器人发展的研究加快步伐，正在探索基于学习的技术来开发这种机器人的运动控制器。一个关键问题是以稳定的方式生成连续变化的目标线速度和角速度的腿轨迹。在本文中，我们提出了一个双管齐下的方法来解决这个问题。首先，训练多个更简单的策略来生成目标速度和转弯半径的离散集合的轨迹。然后使用更高级别的神经网络来增强这些策略，以处理所学习的轨迹之间的过渡。具体来说，我们开发了一个基于神经网络的过滤器，该过滤器接收目标速度、半径并将其转换为新的命令，从而能够平滑过渡到新的轨迹。这种转变是通过从专家演示中学习来实现的。这一点的应用是将新手用户的输入转换为专家用户的输入，从而确保稳定的操纵，而不管用户的经验如何。与标准神经网络架构相比，训练我们提出的架构需要更少的专家演示。最后，我们证明实验这些结果在内部四足Stoch 2。
2020-07-28 cs.AI cs.LG cs.RO
Reward-Based Collision-Free Algorithm for Trajectory Planning of Autonomous Robots
School of Aeronautics and Astronautics, Purdue University（航空宇航学院，普渡大学）
本文提出一种基于奖励的自主机器人任务规划算法，将问题建模为奖品收集旅行商问题的扩展，采用定制遗传算法结合微分平坦性、回旋曲线和欧拉螺旋方法生成曲率连续的无碰撞轨迹，并通过地面车辆、四旋翼和四足机器人仿真与实验验证了算法有效性。
2025-05-05 cs.RO cs.SY eess.SY
Learning Highly Dynamic Skills Transition for Quadruped Jumping Through Constrained Space
University of Hong Kong（香港大学）；University of Oxford（牛津大学）
该研究提出分层强化学习框架，结合模仿学习训练低级技能、高级控制器视觉感知规划轨迹，实现四足机器人自主敏捷穿越狭窄门，还可扩展至其他高动态任务。
2026-08-21 cs.RO
Realizing Learned Quadruped Locomotion Behaviors through Kinematic Motion Primitives
Robert Bosch Centre for Cyber-Physical Systems, IISc（印度科学研究所罗伯特·博世网络物理系统中心）
人类和动物被认为使用一组非常小的轨迹来执行各种各样的任务，包括行走。我们在本文中的主要目标有两个方面：1）通过从深度强化学习（D-RL）中学习的轨迹，获得一种有效的工具来实现四足步行的这些基本运动模式，称为运动学运动基元（kMP）; 2）在我们的自定义四足足式机器人（称为“Stoch”）中，从这些运动学运动基元中实现一组行为，即小跑、步行、飞奔和跳跃。D-RL是一种数据驱动的方法，无论是在仿真还是在实验中，它都被证明是非常有效的，可以实现各种鲁棒的运动行为。另一方面，已知kMP捕获步行的底层结构并产生一组衍生行为。我们首先从D-RL生成步行步态，D-RL使用基于策略梯度的方法。然后，我们分析所产生的步行使用主成分分析。我们观察到，从PCA中提取的kMPs遵循类似的模式，无论生成的步态类型如何。利用这一基础结构，我们通过从kMP直接重建关节轨迹来实现Stoch行走。这种类型的方法提高了这些步态到真实硬件的可移植性，降低了板载计算开销，并且还通过从单个学习的步态生成一组派生行为来避免多次训练迭代。
2019-02-26 cs.LG cs.RO
Constrained Stein Variational Trajectory Optimization
University of Michigan（密歇根大学）；Honda Research Institute USA（美国本田研究所）
本文提出 CSVTO 算法，将受约束轨迹优化构建为对轨迹分布的受约束泛函最小化，利用 SVGD 生成满足约束的多样化轨迹集合，有效避免局部极小值，在高度约束任务中优于基线方法。
2024-07-23 cs.LG cs.RO
From Pixels to Executable Physics: Behavior-Grounded World Models for Embodied Action Consequence Prediction
针对四足机器人户外动作结果预测难题，提出结合机器人-地形接触动力学的DR-WM模型，其在物理指标上优于基线，搭配8B视觉语言模型可提升动作选择性能。
2026-10-14 cs.CV cs.RO
